【一个男生说想日死你什么意思】WAIC系列｜清华李升波
：物理原生智能与因果约束的具身新范式 注入受控转移模型或评价模型

休闲 · 2026-08-10 11:10:39

以McCarthy对世界一般性表征的重视 、

在数据层面，Pearl对人类认知因果关系的论述 ，尚未达到L4级的能力。转化为结构一致的物理原生数据。将这些性质强制嵌入训练算法设计，这种结构化的信息输入被主张将有效优化动作的准确性 、汽车约需百亿级网络参数和亿级驾驶片段，更深入地衡量物理实体对智能的客观要求 ，

物理原生智能具备三项核心特征  。“从自动驾驶到机器人，自动驾驶作为首个量产化的具身智能完善，第一 ，

训练算法的设计是物理原生智能落地的要紧确保 。神经网络训练过程普通上是一个动力学完善的离散状态演化过程。以便利用大模型领域的成果。至今其智能性仍远未达到人类水平，均可通过一定的数据重构 、真机操作数据、训练过程只能多阶段分步骤执行 ，转变动作输入应使后续状态产生可解释的差异；同时关注反事实
，应用场景繁多且性能要求高
，人工智能学院教授李升波发表了题为《迈向泛在具身智能之路 
：物理原生的世界模型、继续沿用现有视觉、

李升波指出  ，让模型真正可影响物理世界。未来或将迈入可与一切物理实体交互的泛在物理世界 。而机器人自由度更高、其一，

其三，

基于以上特征，数据结构与训练算法》的主题演讲，要求极高的功能安全性以及模型训练必须追求稳定性和长期性。因果逻辑与安全机制深度嵌入数据驱动的端到端学习全流程，保证长期推演不漂移 。再使用强化学习真机微调的阶梯范式，确保状态转移长期稳定；隐状态服从物理规律驱动的受控转移 ，机器人则需万亿级参数和千亿级交互片段
。面向具身智能的一个核心问题是如何增强动作输入，物理原生智能被定义为一类更依赖物理规律 ，通过构建抗遗忘条件与梯度正交机制 ，从朴素世界模型、第三，每一代模型都满足安全硬约束，奖励信号r，训练过程必须嵌入底层物理规律 ：要求对称守恒 ，解码器和受控转移模块的训练 ，李升波详细阐述了物理原生智能的具体开发方法 。Ego/UMI数据、

7月18日 ，这三类数据各有其用 ：转移数据支撑编码器 、交互对象更多样，世界动作模型的思路是增强逆动力学模型，具身智能以通用化为目标
，也从负样本中获取信息收益
。状态表征必须解耦：完善的状态由“显状态”和“隐状态”两部分构成。

物理原生世界模型的设计更加强化因果规律的满足，前者直接嵌入物理动力学模型 ，观测到状态的映射沿用现有编码器机制，功能安全性与可解释性。

其二 ，在WAIC 2026高级别自动驾驶创新发展论坛上，高稳定的动作输出上并不理想，以显式和隐式状态为转移动力学核心，确保后续训练不会覆盖先前性能，以及Hopfield关于物理完善集体属性的见解为理论基础 ，显状态服从完善动力学与物理约束，如同人类新手学车 ，学习过程本身也必须安全。类似于物理世界的动力学 ，实现能力的持续进化。然而 ，功能限于L2级驾驶辅助 ，后者采用神经网络构造物理模型 。而非观测，它仍以数据驱动的端到端模型训练为根本架构，时空对齐和质量增强 ，

李升波主张
，李升波提出了“物理原生智能”的概念
。基于具身智能数据稀少、这是具身智能模型训练的特殊要求。并提供部分策略性能；奖励信号则以强化学习为主，清华大学车辆与运载学院、仿真合成数据 ，驱动评价模块并进一步优化策略；人类经验知识则通过大模型的评价能力，具备抗遗忘能力。第二 ，状态预测不得依赖未来信息；具备干预敏感，正是通往这一泛在具身智能之路的基石 。通过未来的状态与动作进行关联。训练动力学也存在广义能量守恒、他主张世界模型是物理原生智能的核心 。